Caso de estudio | Iflow
1 Introducción
En el marco del Primer Desafío Internacional de la Red Latinoamericana de Ciencia de Datos, este análisis tiene como propósito abordar un problema práctico del ámbito logístico. El proyecto promueve la colaboración entre estudiantes de diversas universidades latinoamericanas, fomentando el trabajo en equipo y la toma de decisiones basadas en datos reales.
El objeto de estudio es un conjunto de datos proporcionado por iFlow, una empresa argentina especializada en logística integral, con operaciones tanto nacionales como internacionales dentro del MERCOSUR. iFlow se dedica a la gestión y co-gerencia de cadenas de abastecimiento para sus clientes, buscando optimizar procesos y mejorar la eficiencia operativa.
Este análisis tiene como objetivo:
Comprender y describir las principales características del conjunto de datos, que incluye registros de entregas realizadas en un período de tres meses.
Identificar patrones y tendencias que permitan obtener insights relevantes sobre las operaciones de iFlow.
Detectar posibles inconsistencias o errores en la base de datos, propias de un entorno operativo real, para evaluarlas e integrarlas al análisis.
2 Limpieza de datos.
La primera etapa de este análisis consistió en la limpieza de datos. Este proceso de limpieza fue clave para preparar los datos para un análisis exploratorio robusto y la generación de insights confiables sobre la operación logística de iFlow.
En primer lugar realizamos algunos cambios para facilitar el trabajo con los datos.
Tratar Columnas innecesarias
La columna InicioVisitaPlanificado y FinVisitaPlanificado contienen los mismos valores por lo que las unificamos en una nueva columna.
- Formatear correctamente las variables
- Renombrar las columnas por nombres intuitivos.
Con estos cambios realizados pasamos a modificaciones y arreglos necesarios para un análisis correcto de los datos.
- Eliminación de filas duplicadas.
Arreglo de coordenadas faltantes en algunas entregas.
El dato de coordenadas en algunas filas estaba vacio o indicaba “0”. En algunos de estos casos pudimos rellenar estas coordenadas con datos existentes del domicilio (21 filas). En caso de que esto no sea posible las filas fueron eliminadas (19 filas) y no serán tomadas en cuenta para el análisis.
Por último creamos algunas nuevas columnas para distintos análisis. Entre estas algunas columnas para facilitar la interacción con fechas y horarios de entregas.
3 Vista general.
En esta sección ofrecemos una visión superficial de los datos, brindando un panorama inicial que permite familiarizarnos con su estructura y contenido.
Se registraron 27.419 entregas de dos clientes distintos: 16,545 del cliente 20 y 10.874 del cliente 70.
Todas estas entregas fueron realizadas entre el 3 de mayo y 8 de agosto de 2024, con un promedio de 9.005 entregas por mes
3.1 ¿Cuales son los horarios de entrega?
El dia con más entregas es el miercoles cerca de las 15:00
Vemos que el domingo hay solo 3 entregas. Esto podría deberse a un error por lo que las revisamos.
| Orden | Localidad | Fecha y hora de entrega |
|---|---|---|
| 81943 | CAPITAL FEDERAL | 2024-07-21 23:51:00 |
| 100968 | CAPITAL FEDERAL | 2024-07-21 23:51:00 |
| 100968 | CAPITAL FEDERAL | 2024-07-21 23:51:00 |
Al revisar estas entregas encontramos que las tres fueron entregadas a las 23:51. Esto podría deberse a un error en la carga de datos o a entregas especiales. Al ser las últimas entregas del día puede deberse a un cierre automático del sistema despues de haber dejado entregas inciadas el día anterior sin marcar su finalización.
Si bien este parece ser un caso puntual existen dos grandes problemas respecto a los horarios y duración de las entregas. Estos problemas son.
Duración de las entregas: Muchas entregas tienen el mismo horario de inicio y fin. Esto puede deberse a errores en la carga de datos o a un sistema de carga poco eficiente.
Entregas consecutivas: Muchas entregas consecutivas fueron cargadas con el horario de la entrega anterior. Esto dificulta la identificación de rutas, estimación de tiempos muertos y duraciones reales entre entregas.
3.2 Errores de carga en horarios de entrega.
Notamos que en las entregas muy cercanas geograficamente, en la misma cuadra, suelen tener el mismo horario de finalización. Esto se puede deber a que los operarios olvidan hacer la carga individual o consideran mas rapido completar ambas entregas antes de registrarlo en el sistema.
Junto con los errores de carga en los horarios de entrega este puede ser un segundo indicador de que el sistema de carga puede ser mejorado para no recolectar datos erroneos en el futuro.
Horarios cargados de forma incorrecta podrian causar:
- Mala estimación sobre tiempos muertos.
- Dificulta optimizar los procesos de entrega.
- Perjudica la proyección de horarios de entregas o ventanas horarias.
Algunas sugerencias e ideas para mejorar esto incluyen:
Mejoras de la interfaz en el sistema de carga para facilitar y fomentar su uso.
Implementación de un sistema de validación de los datos para evitar duplicados.
Desarrollo y uso de hardware específico para la carga de datos.
¿Cuál es el tiempo promedio entre el inicio y fin de las visitas de entrega?
Bien cargados 17142 vs mal cargados 10255 mal. Pero encontramos que son incluso más. Una forma de solucionarlo podría haber sido ordenar las entregas en orden cronologico e intentar estimar la duración real segun el tiempo entre las entregas y la distancia entre ellas pero al intentar esto encontramos que muchas entregas consecutivas arrastran errores. Dificultando la identificación de rutas, estimación de tiempos muertos y duraciones reales entre entregas.
Como referencia, el día 2024-06-27 16:06:00 hay 23 entregas graficadas el mismo día.
¿Que tan frecuente es este error? Muy frecuentes
Con 12799 entregas con horarios mal registrados representando un 46.67% los datos disponibles cargados de forma incorrecta.
Al desconfiar del 46.67% de los datos es dificil y poco preciso cualquier tipo de analisis sobre la eficiencia operativa de las entregas. Esto puede traer posibles problemas como:
- Problema 1
- Problema 2
Solucionar esta situacion representa una gran oportunidad y facilitaria exponencialmente el crecimiento de la empresa, precision de las ventanas de entrega, identificación de cuellos de botella reales y a final de cuentas la toma de decisiones operativas.
“Lo que no se mide, no se puede mejorar.” - Peter F. Drucker
A continuación listamos algunos posibles motivos y oportunidades para corregir la situación.
- Manual de uso y capacitación sobre el sistema UNIGIS
Basandonos en el Manual de transportistas - Elementos de seguridad y APPS encontramos la siguiente referencia sobre el uso de la aplicación.
Capacitar mejor al personal con mayor cantidad de recursos, claridad en los instructivos y videos demostrando el uso correcto del sistema videos demostrando el uso correcto del sistema mejoraría la precision de la carga de los datos en el futuro.
- Creación de una interfaz personalizada para Unigis.
El error de carga de horarios iguales en entregas consecutivas puede deberse principalmente a la dificultad de uso del sistema o poca practicidad del mismo por la que los transportistas podrían saltear los pasos del instructivo.
Si migrar a un nuevo sistema más moderno es una alternativa muy costosa podrían considerar hacer una inversión en desarrollo frontend para, utilizando la API del sistema actual, puedan tener una interfaz más amena a los transportistas.
El desarrollo de una interfaz personalizada para interactuar con su sistema actual podría ser una inversión considerable pero economica contrastando con la posibilidad de un desarrollo personalizado o la migración a un nuevo sistema.
Algunas consideraciones:
- Inversión en equipo e investigación UX para asegurar el uso intuitivo de los transportistas. Es importante entender como es el uso del sistema en la practica.
Migrar a un sistema más moderno o diseñar uno a medida para sus necesidades.
Puede ser la opción mas costosa.
3.3 Información de bultos y peso.
¿Cuál es el promedio de bultos, peso y unidades entregadas por pedido?
En promedio cada entrega tiene:
28.40 Unidades
5.75 Bultos
Un peso de 41.15kg
porque dan con coma????????????????????????????
[1] 28.40304
[1] 5.756564
[1] 41.158463.4 Distribución geográfica de las entregas.
¿Cuál es la distribución de entregas por localidad o región?
Como podemos ver bla bla bla lbads
sadindiofnoidsfniosdfndsoinfdsionfsdionfdsoif
Para verlo de forma más resumida;
`summarise()` has grouped output by 'latitud'. You can override using the
`.groups` argument.3.4.1 PENDIENTE Centro de distribución en Mendoza.
mostrar grafico, imagen de google maps y explicación.
¿Cuántas entregas se hicieron fuera del tiempo esperado o planificado?
`summarise()` has grouped output by 'mes'. You can override using the `.groups`
argument.
¿Qué clientes generan más volumen de entregas y cuáles presentan más problemas o irregularidades?